Bar Chart - Matplotlib_001

import matplotlib.pyplot as plt

eje_x=[4,6,8]

eje_y=[11,7,14]

colores=['orange','blue','purple']

plt.bar(eje_x,eje_y,color=colores)
plt.title('Número de Cilindros')

plt.xlabel("Cilindros")

plt.ylabel("Frecuencias")

plt.show()

Bar Chart - Matplotlib_002


import matplotlib.pyplot as plt
 

eje_x = ['Programacion', 'Ciencia de datos', 'Matematicas', 'Ingenieria']
 

eje_y = [76,31,45,57]
 

plt.barh(eje_x, eje_y, color="green")
plt.ylabel('Numero de Empleados')
plt.xlabel('Habilidades')
plt.title('Empleados con habilidades')
plt.show()

Bar Chart - Matplotlib_003

import numpy as np
import matplotlib.pyplot as plt
 
serie_1 = [406, 387, 442, 457, 485]
serie_2 = [421, 453, 435, 478, 512]
 
 
numero_de_grupos = len(serie_1)
indice_barras = np.arange(numero_de_grupos)
ancho_barras =0.35
 
plt.bar(indice_barras, serie_1, width=ancho_barras, label='Hombres')
plt.bar(indice_barras + ancho_barras, serie_2, width=ancho_barras, label='Mujeres')
plt.legend(loc='best')
## Se colocan los indicadores en el eje x
plt.xticks(indice_barras + ancho_barras, ('2017', '2018', '2019', '2020','2021'))
 
plt.ylabel('Numero de habitantes')
plt.xlabel('Año')
plt.title('Numero de habitantes por genero')
 
plt.show()

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